基于IKHCMAC神经网络的建筑冷/热负荷预测研究

随着能源危机的爆发,建筑节能已成为我国可持续发展战略的重要组成部分,研究一种精准有效的建筑负荷预测方法是实现建筑供能系统的节能优化运行的重要基础。文章基于人工神经网络研究了一种建筑冷/热负荷智能预测新方法,采用改进的HCMAC神经网络作为预测模型,将粒子群优化与K-means聚类算法相结合,构建了一种新型的IKHCMAC神经网络预测模型,并借助TRNSYS模拟实验平台获得实验数据,与基于Kmeans聚类算法的HCMAC神经网络模型(KHCMAC)及经典IHCMAC神经网络模型相比较。结果表明:IHCMAC神经网络模型的迭代次数最高,收敛速度较慢,IKHCMAC神经网络模型较IHCMAC模型相比,迭代次数降低了75.86%,收敛速度更快;IKHCMAC模型的训练误差为0.29,在3种模型的训练误差中最小,IKHCMAC神经网络模型的学习精度更高;与IHCMAC模型相比,KHCMAC模型的泛化误差较之降低了26.67%,而IKHCMAC模型较之降低了93.33%,其泛化能力更强。     

基于HCMAC神经网络的控制研究

利用HCMAC神经网络与模糊控制算法近似的特性,以偏差和偏差的变化率作为HCMAC神经网络控制器的输入,构造一新型HCMAC神经网络控制器,克服模糊控制中模糊规则难以准确确定的缺陷.通过仿真实例看出,HCMAC神经网络控制器与常规PID控制器相比具有很好的跟踪控制精度,在时变、非线性的复杂系统中具有一定的应用价值.     

基于神经网络的空调负荷实时预测模型

针对暖通空调系统优化和预测控制,研究了利用神经网络进行空调负荷预测的方法.首先对影响空调负荷的因素进行了分析,并讨论了对空调负荷起主要影响作用的气象参数的预测,在此基础上建立了神经网络负荷预测模型.根据神经网络的泛化性能要求,采用最优停止法训练神经网络.将所研究的负荷预测模型用来实时预测北京市某建筑物的空调负荷,仿真结果表明,该模型能对任意气候条件下的空调负荷进行准确预测,可用于暖通空调系统的实时控制.     

大型商场建筑夏季冷负荷动态预测模型

夏季建筑冷负荷的正确预测是实现大型复杂中央空调优化运行、节能降耗的关键。笔者探讨了商场建筑冷负荷的主要影响因素,确定了建筑动态冷负荷预测模型的输入,提出了夏季基于新风机组供电频率的商场顾客率间接测量方法,解决了商场内顾客量难以检测的难题。还提出了AFC-HCMAC神经网络预测模型算法,实现了大型商场建筑冷负荷的动态预测。仿真结果表明:顾客率在商场冷负荷预测中占有重要地位,在冷负荷预测模型中增加商场顾客率可显著提高预测精度;AFC-HCMAC神经网络预测算法与传统的HCMAC神经网络算法比较,可有效降低神经网络节点数,提高预测精度。     

基于萤火虫算法改进BP神经网络的电力用能行为预测方法

针对BP神经网络由于随机初始化权重和偏置导致对用电情况预测的误差偏大且容易陷入局部最优的问题，提出了一种利用萤火虫算法对BP神经网络的权重和偏置进行优化的电力用能行为预测方法.该方法基于用户不同时间段的用电量数据提取时间序列特征，并采用K-means聚类算法对用电行为类似的用户进行聚合及分析，从而建立电力负荷预测模型对每类用户的负荷加以预测.实验结果表明，基于萤火虫算法改进BP神经网络预测模型的均方根误差以及平均绝对误差百分比均低于BP神经网络模型，能够合理地对电力用能行为进行预测.     

基于HCMAC神经网络的控制研究

利用HCMAC神经网络与模糊控制算法近似的特性，以偏差和偏差的变化率作为：HCMAC神经网络控制器的输入，构造一新型HCMAC神经网络控制器，克服模糊控制中模糊规则难以准确确定的缺陷。通过仿真实例看出，HCMAC神经网络控制器与常规PID控制器相比具有很好的跟踪控制精度，在时变、非线性的复杂系统中具有一定的应用价值。     

基于改进K-means算法的电力短期负荷预测方法研究

现有方法预测电力短期负荷时忽略了对其进行聚类优化处理,导致预测耗时较长,短期负荷预测精度偏低.为此,提出一种基于改进K-means算法的电力短期负荷预测方法.该方法利用改进后的K-means算法聚类处理电力负荷大数据,使用聚类后获得的训练样本构建循环神经网络RNN拓扑结构,然后通过对RNN神经网络模型设置最优权值,实现...     

基于蚁群聚类算法的RBF神经网络交通流预测

短时交通流因其不确定性等特点而导致预测很复杂,准确率不高.本文把蚁群聚类算法和RBF神经网络结合来构建交通流预测模型,用蚁群聚类确定RBF网络隐层神经元的中心值,并且为了找到最优的聚类结果,在蚁群算法中加入了局部搜索.此模型具有较强的局部泛化能力和较高的准确率.实例仿真研究表明此方法预测效果较好.     

智能楼宇定风量空调系统的启停控制

在充分利用智能楼宇设备资源及其智能化特点的基础上,从预测的角度出发,采用神经网络、建模分析和罚函数的方法,对定风量空调系统进行最优开机和停机控制,并对其间歇启停控制进一步优化,以达到最佳的运行效果和节能效果.     

一种基于数据的夏季居住环境热舒适度控制方法

采用超闭球CMAC(HCMAC)神经网络,建立家用空调器制冷环境下室内外温、湿度关联模型,预测室内空气的相对湿度.提出了基于PMV指标的家用空调温度设定值的计算实验方法.该舒适度控制方法只利用室内外环境参数历史数据,通过HCMAC样本学习和简便的计算实验,自适应地满足住户热舒适偏好需求.仿真结果表明,HCMAC模型能够较准确地预测室内空气的相对湿度;通过调整温度设定值,可将PMV值调整到任意给定的范围,实现室内建筑环境的节能和舒适.